Phân biệt mô hình AI độc quyền, mô hình trọng số mở và mã nguồn mở

Các mô hình ngôn ngữ lớn (LLM) có thể được chia thành 3 nhóm chính: mô hình độc quyền, mô hình trọng số mở và mô hình mã nguồn mở…

Ảnh minh hoạ: Adobe Stock.

LLM ĐỘC QUYỀN

Tương tự tên gọi, LLM độc quyền thường thuộc sở hữu của một tổ chức duy nhất, đa phần là những tập đoàn công nghệ lớn. Một số mô hình LLM độc quyền phổ biến là GPT của OpenAI, Claude của Anthropic và Gemini của Google.

Thực tế, phần lớn các mô hình thông minh và có năng lực nhất hiện nay đều nằm trong nhóm này. Sức mạnh tính toán khổng lồ của chúng được huấn luyện từ khối lượng dữ liệu rất lớn, và cũng đòi hỏi chi phí đầu tư khổng lồ.

Do vậy, mã nguồn và dữ liệu huấn luyện của các LLM độc quyền luôn được bảo vệ nghiêm ngặt, nên nếu muốn sử dụng các mô hình này, người dùng thường phải truy cập thông qua các dịch vụ đám mây. Nhưng cũng vì vậy, các mô hình độc quyền có một lợi thế là doanh nghiệp có thể nhanh chóng và dễ dàng đưa vào kết nối các quy trình làm việc nhờ các API (giao diện lập trình ứng dụng).

LLM TRỌNG SỐ MỞ

Nhóm LLM thứ hai được gọi là mô hình trọng số mở. Các mô hình này thường bị nhầm lẫn với mô hình mã nguồn mở (chi tiết hơn ở phần dưới), nhưng trên thực tế, đây là hai khái niệm khác nhau.

Trong lĩnh vực LLM, “trọng số” có thể được hình dung như phần “bộ nhớ” của một mô hình ngôn ngữ lớn. Khi một LLM được gọi là “trọng số mở”, điều đó có nghĩa nhà phát triển cho phép mọi người tải xuống các trọng số của mô hình.

Mô hình trọng số mở điển hình có thể kể đến Llama của Meta, và đây cũng là một ngoại lệ trong số các LLM của Mỹ, với phần lớn mô hình là độc quyền.

Trong khi đó, tại Trung Quốc, gần như tất cả những LLM nổi tiếng và được sử dụng rộng rãi đều là mô hình trọng số mở. Trong số đó có nhiều cái tên từng gây chú ý nhờ năng lực cao và chi phí thấp, chẳng hạn DeepSeek, Kimi của Moonshot và Qwen của Alibaba.

Đối với các doanh nghiệp muốn đưa LLM vào quy trình làm việc, mô hình trọng số mở có thể đặc biệt hấp dẫn vì chi phí sử dụng tính trên mỗi token thường thấp hơn so với các LLM độc quyền, trong khi năng lực ngày càng tiệm cận những mô hình tốt nhất.

Các mô hình trọng số mở thường có thể được tải xuống từ nền tảng đám mây của nhà cung cấp và chạy trực tiếp trên máy tính hoặc máy chủ riêng của doanh nghiệp. Khi LLM được vận hành tại chỗ, doanh nghiệp có thể bảo đảm mọi thông tin đưa vào mô hình, kể cả các dữ liệu nhạy cảm, vẫn nằm trong phạm vi kiểm soát.

Tuy nhiên, khi doanh nghiệp sử dụng một LLM độc quyền trên nền tảng đám mây như Claude, họ chỉ cần kết nối với API của Claude, còn phần xử lý sẽ do hệ thống máy chủ của Anthropic đảm nhiệm.

Ngược lại, khi doanh nghiệp tự triển khai một LLM trọng số mở trên máy chủ, họ phải tự chi trả cho hệ thống máy tính phục vụ vận hành mô hình. Nói cách khác, dù chi phí tính trên mỗi token của LLM trọng số mở có thể thấp hơn nhiều, nhưng việc tự vận hành mô hình tại chỗ có thể khiến doanh nghiệp phải bỏ ra một khoản đầu tư phần cứng tương đối.

LLM MÃ NGUỒN MỞ

Mặc dù nhiều người thường đánh đồng LLM trọng số mở với LLM mã nguồn mở, nhưng đây là hai khái niệm này khác nhau.

Các mô hình trọng số mở, dù không khép kín như các mô hình độc quyền, vẫn tương đối thiếu minh bạch do người dùng thường không được tiếp cận các bộ dữ liệu dùng để huấn luyện mô hình.

Với LLM mã nguồn mở thì khác. Cách đây vài thập kỷ, thuật ngữ “mã nguồn mở” đã được sử dụng để chỉ những phần mềm có thể được tự do tải xuống, kiểm tra, sửa đổi và phân phối. Hiện nay, thuật ngữ này cũng được dùng để mô tả những LLM đáp ứng các tiêu chí tương tự.

Theo Sáng kiến Nguồn Mở (OSI), một mô hình mã nguồn mở phải hoàn toàn minh bạch và phi lợi nhuận. Người dùng không chỉ có thể tải mô hình về để chạy trên máy tính của mình, mà toàn bộ mã dùng để huấn luyện và bộ dữ liệu huấn luyện cũng phải được công khai để kiểm tra. Trong trường hợp bộ dữ liệu không thể được sao chép, ít nhất nguồn của dữ liệu đó cũng phải được công khai.

Các mô hình mã nguồn mở cũng có thể được tự do sửa đổi và chia sẻ. Điều này không thể thực hiện với các mô hình độc quyền và đối với mô hình mở trọng số, việc này chỉ có thể thực hiện với phần trọng số, thông qua quy trình “tinh chỉnh”.

Như vậy, việc xác định mô hình LLM nào là “tốt nhất” sẽ phụ thuộc cách định nghĩa “tốt nhất” của mỗi cá nhân và doanh nghiệp.

Nếu “tốt nhất” được hiểu là những mô hình có năng lực cao nhất, được huấn luyện trên những bộ dữ liệu lớn nhất thì các mô hình độc quyền như GPT-5.6, Claude hoặc Gemini có thể được xem là lựa chọn hàng đầu.

Nhưng nếu “tốt nhất” được hiểu là mô hình mang lại hiệu quả đầu tư cao nhất, những mô hình trọng số mở như DeepSeek và Kimi là lựa chọn đáng cân nhắc, đặc biệt khi được chạy tại chỗ và đã tính đến các khoản chi phí đầu tư ban đầu như phần cứng.

Ví dụ, theo dữ liệu của Spheron vào tháng 7/2026, GPT-5.6 Sol, mô hình hàng đầu của OpenAI, và Claude Opus 5/Opus 4.8 của Anthropic có giá 5 USD cho mỗi triệu mã thông báo đầu vào. Trong khi đó, Gemini 3.1 Pro của Google có giá 2 USD cho mỗi triệu mã thông báo đầu vào đối với tối đa 200.000 mã thông báo; sau ngưỡng này, giá tăng lên 4 USD cho mỗi triệu mã thông báo đầu vào.

Ngược lại, một trong những mô hình trọng số mở nổi tiếng nhất, DeepSeek, chỉ có mức giá 0,435 USD cho mỗi triệu mã thông báo đầu vào đối với mô hình V4-Pro.

Và nếu “tốt nhất” được định nghĩa là một mô hình mang lại cho người dùng quyền kiểm soát lớn nhất, đồng thời cho phép kiểm chứng dữ liệu được sử dụng để huấn luyện, thì LLM mã nguồn mở lại là những mô hình “tốt nhất”. Một lợi thế khác là các mô hình này về cơ bản có thể được sử dụng miễn phí, tất nhiên không tính chi phí tính toán cần thiết để vận hành.